PENERAPAN PENERIMAAN SAMPLING UNTUK

INSPEKSI KEDATANGAN BAHAN BAKU CAT

MENGGUNAKAN ANSI/ASQ Z1.4
Maulida Asri, Singgih Saptadi
Departemen Teknik Industri, Fakultas Teknik
Universitas Diponegoro, Jl. Prof. Soedarto, SH, Kampus Undip Tembalang, Semarang,
Indonesia 50275

Abstrak

Di dalam proses produksi pabrik perakitan otomotif terdapat permasalahan pada kualitas pengecatan material. Dalam
produksi ditemukan sejumlah cacat yang melebihi batas ketentuan perusahaan. Diketahui rata-rata jumlah produk
cacat selama tiga bulan terakhir sebesar 4,32% yang telah melebihi standar perusahaan yaitu 3%. Penelitian ini
ditujukan untuk mengendalikan kualitas dengan menerapkan Pengendalian Proses Statistik dan Metode Failure Mode
and Effect Analysis (FMEA). Berdasarkan diagram pareto diperoleh cacat tertinggi pada Bulan Desember 2021 yaitu
bintik kotor dengan jumlah cacat 246. Pada FMEA, kurang ketatnya inspeksi kedatangan bahan baku cat dari pemasok
memiliki skor RPN tertinggi sebesar 486. Oleh karena itu, usulan perbaikan yang dilakukan pada penelitian ini yaitu
rancangan penerimaan sampling untuk inspeksi kedatangan bahan baku cat dengan menerapkan ANSI/ASQ Z1.4.
Sehingga didapatkan dengan level inspeksi normal dan AQL 4.0, ukuran sampel sebesar 20unit dengan angka
penerimaan dan angka penolakan yang masing-masing sebesar 2 dan 3 unit.

Kata kunci : Pengendalian Proses Statistik, Penerimaan Sampling, FMEA, ANSI/ASQ Z1.4

1. PENDAHULUAN
Kecelakaan Teknologi di dunia industri saat ini
telah berkembang dengan pesat, perkembangan
tersebut kemudian membawa banyak perusahaan
baik itu jasa maupun manufaktur semakin
berkembang. Dengan meningkatnya kompleksitas
proses industri modern, pentingnya pemantauan
proses untuk memastikan kualitas produk (Sánchez-
Fernández et al., 2018). Hal ini tentunya
memunculkan variasi produk yang membuat
perilaku konsumen menjadi semakin cerdas dan
kompetitif di dalam pemilihan produk yang cocok
untuk dikonsumsi. Terlebih, pada sektor otomotif
sangat kompetitif dan umumnya memiliki rantai
pasokan yang kompleks. Perusahaan telah
menyadari bahwa persaingan berdasarkan harga
tidak hanya mengarah pada peningkatan pasar. Oleh
karena itu, kualitas menjadi fokus pada
keberlanjutan industri otomotif. Kualitas berperan
dalam daya saing perusahaan dalam dua hal,
mengurangi biaya produksi dan meningkatkan citra
kualitas perusahaan agar memenuhi harapan
pelanggan. Tim perbaikan berkelanjutan mencari
variasi penyebab khusus yang terkait dengan
intervensi untuk mengevaluasi apakah intervensi ini
mengubah sistem. (Reynolds et al., 2021)
Perusahaan ini merupakan salah satu
perusahaan asli Indonesia yang bergerak dalam
bidang perakitan sepeda motor. Produk perusahaan
tersebut yaitu motor sport, motor listrik, sepeda roda
dua, dan motor roda tiga. Bahan baku sepeda motor
seperti front fender, fuel tank, side R, side L, dan
cargo perlu melalui proses pengecatan warna sesuai
dengan perintah produksi. Di dalam lantai produksi,
terkadang hasil akhir proses painting terdapat
sejumlah produk cacat yang harus dilakukan rework
oleh divisi painting. Diketahui bahwa rata-rata
jumlah produk cacat selama bulan Oktober hingga
Desember tahun 2021 adalah 4,32%, melebihi
standar yang telah ditetapkan oleh perusahaan yaitu
sebesar 3%. Seringkali perusahaan melakukan
lembur untuk mengejar target produksi yang telah
ditentukan oleh pihak PPIC. Selain itu, perusahaan
perlu menambah stok cat di luar kebutuhan untuk
dapat memperbaiki material yang cacat. Hal tersebut
tentunya akan merugikan perusahaan jika dilakukan
secara berkala tiap bulannya.
Dalam menyelesaikan masalah tersebut,
perusahaan belum menemukan solusi untuk
menekan angka cacat yang terjadi. Sehingga,
diperlukan penerapan Pengendalian Proses Statistik
untuk mengetahui jenis cacat yang dominan dan
mengidentifikasi faktor dari penyebab terjadinya
1
kecacatan. SPC ini berkembang dalam industri
mulai merevolusi pemahaman tentang variabilitas
dalam kualitas output terukur dari proses industri
(Pujar et al., 2010). Dari faktor yang ditemukan, akan
dianalisis menggunakan metode Failure Mode and
Effect Analysis (FMEA) untuk menentukan seberapa
besar tingkat kesulitan perusahaan dalam menangani
penyebab terjadinya cacat tersebut. FMEA telah
dianggap sebagai alat manajemen risiko proaktif di
mana sistem, proses, desain, atau layanan dievaluasi
secara sistematis untuk mengetahui mode kegagalan
potensial, masalah, kesalahan, dan efek selanjutnya
pada suatu masalah (Boral et al., 2020). Usulan
penelitian ini akan menggunakan metode 5W+1H
secara sistematis yang akan menghasilkan rancangan
berupa penerimaan sampling yang dapat
mengendalikan proses dari produksi pada divisi
painting.
Permasalahan tersebut sama dengan penelitian
mengenai peningkatan kualitas proses pengecatan
pada perusahaan otomotif melalui penerapan
Pengendalian Proses Statistik untuk optimalisasi
indikator kinerja kualitas dan produktivitas.
Implementasi SPC di area produksi adalah untuk
meningkatkan dan mengontrol karakteristik produk
dan proses waktu nyata, kualitas dan produktivitas.
Sehingga, penelitian ini perlu tindakan lanjut
mengenai peningkatan kualitas proses produksi
pengecatan dengan menerapkan Pengendalian Proses
3. METODOLOGI PENELITIAN
Metode pengumpulan data diperoleh dari data
cacat produksi pada divisi painting selama periode
satu bulan. Selain itu, data dilengkapi dengan survey
dan wawancara kepada divisi produksi dan divisi
quality control yang berhubungan langsung dalam
pengumpulan data yang diambil.
Metode yang digunakan dalam pengolahan
data yaitu Pengendalian Proses Statistik dengan
Seven Tools. Pada seven tools, alat yang digunakan
berupa lembar periksa, diagram pareto, dan diagram
sebab-akibat. Lembar periksa berbentuk tabel untuk
mengumpulkan data. Lembar periksa yang
dirancang dengan jelas akan membantu dalam
mengumpulkan data yang akurat dan relevan, dan
memungkinkan data agar mudah dibaca dan
digunakan. Diagram pareto dapat digunakan untuk
menampilkan kategori masalah secara grafis,
sehingga dapat diprioritaskan dengan benar (Abtew
et al., 2018). Diagram sebab-akibat diterapkan untuk
mendapatkan faktor-faktor penyebab kecelakaan
dari perspektif sistem manajemen man, machine,
method, measurement, material, dan environment
(Wujie et al., 2022). Diagram Sebab Akibat
digunakan untuk mengidentifikasi kategori dan sub
kategori sebab-sebab yang mempengaruhi suatu
karakteristik kualitas tertentu. Data yang telah ada
2
manufaktur dan
Statistik (da Silva et al., 2021).
kategori ringan. Sedangkan menurut analisis metode
SWAT terhadap 15 perawat, hampir 46,67% menilai
bahwa beban kerja mental mental yang diterima
tergolong tinggi.
Berdasarkan penjelasan sebelumnya, penelitian
ini dilakukan untuk mengidentifikasi beban kerja
mental sehingga dapat diketahui faktor apa yang paling
mempengaruhi pada beban kerja yang dialami oleh
perawat bagian IGD rumah sakit. Untuk mengetahui
faktor yang paling mempengaruhi pada penelitian ini
akan menggunakan pendekatan Defence Research
Agency Workload Scale (DRAWS) yang telah
disesuaikan berdasarkan literature review dari
penelitian terdahulu dan disesuaikan dengan kondisi
pada rumah sakit tersebut. Kemudian, setelah diketahui
satu faktor yang paling mempengaruhi tersebut akan
dianalisis lanjut dengan pendekatan Modified Cooper
Harper Scale (MCHS). Penelitian ini menggunakan
MCHS dikarenakan dapat membantu menganalisis
seluruh aktivitas atau tindakan, kemudian akan
didapatkan usulan perbaikan yang diperlukan sesuai
kondisi. Perbaikan yang diusulkan berupa perbaikan
terhadap aktivitas yang memiliki kategori beban kerja
overload guna meminimalisir tingkat stres perawat
serta menjaga performansi layanan kepada pasien yang
lebih optimal.
sebelumnya akan dijabarkan dalam bentuk lembar
periksa yang telah terbagi menjadi beberapa tipe cacat.
Data diolah pada lembar periksa dan akan diolah dengan
diagram pareto untuk menentukan tipe cacat yang paling
dominan pada periode tersebut. Sehingga dapat
dilanjutkan pada analisis diagram sebab-akibat dengan
faktor 5M-1E untuk menentukan akar masalah.
Berdasarkan hasil analisis diagram sebab-akibat akan
dilanjutkan dengan analisis Failure Mode and Effect
Analysis (FMEA). FMEA adalah metode untuk
mengevaluasi proses, identifikasi kemungkinan letak
kegagalan dan memberi skor pada faktor kegagalan. Itu
dapat mengantisipasi kegagalan dan mengidentifikasi
bagian dari proses yang harus dimodifikasi agar dapat
meminimalkan dampaknya (Castellanos et al., 2021).
FMEA digunakan dalam proses perancangan dan
produksi, sehingga bisa mengurangi biaya dengan
mengidentifikasi perbaikan produk dan proses. Setelah
diketahui penyebab dari terjadinya tipe cacat yang
dominan, dilakukan usulan perbaikan dengan 5W+1H
dan menerapkan penerimaan sampling untuk
memodelkan usulan perbaikan dari penelitian.
4. HASIL DAN PEMBAHASAN selama satu bulan, yaitu pada Bulan Desember 2021.
Karakteristik Responden Berikut merupakan data cacat produk painting yang
Data yang digunakan dalam penelitian ini disajikan pada Tabel 1.
adalah data cacat produk dari proses pengecatan
Tabel 1. Data Cacat Produk pada Produksi Pengecatan Bulan Desember 2021
Tanggal Cacat Jumlah Produksi Persentase (%)
01/12/2021 85 814 10,44
02/12/2021 9 739 1,22
03/12/2021 30 754 3,98
06/12/2021 54 696 7,76
07/12/2021 27 940 2,87
08/12/2021 14 1020 1,37
09/12/2021 19 791 2,40

 Lembar Periksa bintik kotor, kurang cat, meler, dan mruntus. Tabel
Lembar Periksa dari data cacat produksi 2 menyajikan lembar periksa cacat produksi
dibedakan menjadi lima jenis cacat yaitu ambles, pengecatan.
Keterangan: kurang
 Ambles = cat yang meresap ke  Meler = cat yang mengalir karena
dalam pori – pori material material cat yang terlalu tebal
 Bintik kotor = kotoran yang menempel  Mruntus = udara yang terjebak
pada cat/ material cat kotor didalam cat
 Kurang Cat = lapisan cat yang masih
Tabel 2. Lembar Periksa Produk Cacat Painting
Tanggal Tipe Cacat
Ambles Bintik Kotor Kurang Cat Meler Mruntus
01/12/2021 11 27 16 16 15
02/12/2021 0 7 2 0 0
03/12/2021 11 10 0 2 7
06/12/2021 11 9 0 8 26
07/12/2021 5 16 3 3 0
08/12/2021 5 0 0 9 0
09/12/2021 7 0 0 4 8
10/12/2021 2 0 0 2 1
11/12/2021 3 3 18 0 0
13/12/2021 8 2 2 0 27
14/12/2021 24 13 9 3 0
15/12/2021 18 1 0 0 0
16/12/2021 19 12 2 30 0
17/12/2021 2 1 2 19 2
19/12/2021 0 0 0 0 0
20/12/2021 5 1 0 1 0
21/12/2021 13 24 0 33 1
22/12/2021 29 7 26 3 0
23/12/2021 2 48 0 1 2
24/12/2021 16 3 0 0 0
27/12/2021 12 22 8 6 26
28/12/2021 14 7 1 2 40
29/12/2021 4 6 2 1 15
30/12/2021 16 23 0 0 0
31/12/2021 5 4 0 0 0

3
  Diagram Pareto
Diagram pareto digunakan untuk melihat besar
persentase kecacatan. Perhitungan persentase
1. Bintik Kotor =
2. Ambles =
3. Mruntus =
4. Meler =
5. Kurang Cat =
Berdasarkan pada Gambar 1, tipe cacat terbesar
pada cacat bintik kotor dengan persentase sebesar
27,58% dari total kelima cacat. Cacat lain yaitu cacat
ambles dengan persentase sebesar 27,13%, cacat
mruntus dengan persentase cacat sebesar 19,06%,
cacat meler dengan persentase cacat sebesar 16,03%,
dan cacat kurang cat dengan persentase cacat sebesar
10,20%.
Gambar 2. Diagram Sebab-Akibat
Berdasarkan gambar 2 diatas, jenis cacat bintik
kotor yang terjadi pada unit painting disebabkan
oleh beberapa penyebab. Adapun faktor-faktor yang
menyebabkan cacat tersebut muncul sebagai berikut.
4
kecacatan prosesproduksi pengecatan dapat dilihat
sebagai berikut ini. Gambar 1 menyajikan diagram
pareto untuk cacat pada produksi painting.
 Diagram Sebab-Akibat
Berdasarkan pengolahan data dengan diagram
pareto sebelumnya, tipe cacat bintik kotor perlu
dilakukan analisis apa saja penyebab akar masalah
dari terjadinya cacat bintik kotor tersebut. Gambar 2
menyajikan diagram sebab – akibat dari cacat bintik
kotor.
 Man
Permasalahan yang sering dihadapi adalah
operator yang mudah kehilangan fokus saat
melakukan pengecatan dan tidak teliti dalam
 pengecekkan material. Hal ini dikarenakan sering mengalami breakdown. Hal tersebut
operator yang mengalami kelelahan akibat dikarenakan kurang memperhatikan
lembur. Pada skill operator dalam perawatan mesin yang dipakai dan kurang
mengoperasikan spray gun untuk mengecat menjaga kebersihan mesin.
masih perlu pelatihan dalam jangka waktu  Measurement
tertentu. Kendala yang terjadi yaitu kelolosan material
 Material yang tidak sesuai standar. Hal ini dikarenakan
Pada material, permasalahan yang terjadi pengukuran yang digunakan tidak dapat
dikarenakan kualitas material dari pemasok mewakili kualitas produk yang dihasilkan.
yang berubah – ubah dan dalam kondisi yang  Environment
kotor atau terkontaminasi oleh debu atau Area kerja yang digunakan mengecat kurang
kotoran kecil. steril. Ruangan pengecatan masih terbuka dan
 Method pencahayaan lampu yang kurang terang.
Pada method, kesalahan pada operator yang Sehingga menyulitkan operator dalam
kurang memperhatikan SOP sehingga teknik mengecat, menginspeksi, maupun
yang digunakan masih tidak sesuai standar. memindahkan material ke stasiun kerja
Seperti kesalahan dalam pendempulan dan selanjutnya.
melewati tahap operasi.
 Machine  Failure Mode and Effect Analysis (FMEA)
Kendala pada machine terjadi pada beberapa Tabel 3 menyajikan analisis FMEA dari cacat
mesin yang digunakan dalam pengecatan bintik kotor.
Tabel 3. Failure Mode and Effect Analysis (FMEA)
Function Potential S Potential Causes of O Detection Mode D RPN
Effect of Failure
Failure
Proses Cacat 6 Operator kesalahan 4 Operator tidak 3 72
Pengecatan Bintik dalam pendempulan memperhatikan SOP yang
Material Kotor bahan baku berlaku, Operator tidak
fokus, kemampuan operator
kurang terlatih
Operator tidak teliti 5 Operator tidak 3 90
saat membersihkan memperhatikan SOP yang
bahan baku yang berlaku, Operator tidak
akan di cat sehingga fokus, kemampuan operator
material kotor kurang terlatih
Kurang ketatnya 9 Penerapan teknik sampling 9 486
proses inspeksi pada sebanyak 10% dari unit
saat inspeksi bahan material yang datang, Media
baku painting untuk inspeksi
terbatas, Kualitas cat
pemasok berubah – ubah
Air filter tidak 8 Perawatan tidak terjadwal, 6 288
berfungsi dengan pelaksanaan perawatan
baik dalam memfilter dilakukan saat mesin
gas yang akan mengalami breakdown
digunakan
menyemprot
Operator kesulitan 6 Kurangnya fasilitas 7 252
dalam mengecek pendukung seperti
final painting pencahayaan ruangan yang
kurang, Standarisasi produk
painting tidak memiliki SOP
yang jelas, Penglihatan tiap
operator berbeda – beda

Berdasarkan tabel 3 diatas, permasalahan yang inspeksi pada saat material datang dengan nilai RPN
perlu segera diperbaiki adalah kurang ketatnya proses paling tertinggi sebesar 486. Skor RPN tertinggi akan
5
diberikan rekomendasi dengan usulan perbaikan metode 5W+1H (What, Why, Where, When, Who dan
sebagai perbaikan berkelanjutan. How). Tabel 4 menyajikan usulan perbaikan dengan
menggunakan metode 5W+1H.
Usulan Perbaikan
Perbaikan yang diusulkan menggunakan
Tabel 4. Usulan Perbaikan 5W + 1H
Faktor Penyebab 5W + 1H
Kurang ketatnya proses inspeksi What Why
pada saat inspeksi bahan baku 1. Meningkatkan keketatan 1. Untuk meminimalisir
pengecekkan kualitas cat pada terjadinya kelolosan material
saat material datang saat QC kedatangan bahan
2. Mengevaluasi kinerja baku
supplier dan mencari supplier 2. Meminimalisir adanya jumlah
yang lebih berkompeten dan cacat painting yang besar saat
memiliki kualitas baik produksi
3. Menghindari proses info
teknik untuk pengembalian
materia yang dapat menunda
proses produksi sementara
Where When
Area pengecekkan di Gudang Segera
raw material
Who How
Divisi quality control 1. Menerapkan
penerimaan sampling
dengan prosedur ansi
ZI.4
2. Melakukan valuasi
terhadap supplier
dengan menggunakan
AHP

6
 Usulan perbaikan dilakukan dengan menerapkan
acceptance sampling dengan prosedur ANSI Z1.4
yang akan menghasilkan ukuran sampel yang
dianjurkan sesuai dengan prosedur. ANSI Z1.4
merupakan prosedur pengambilan sampel untuk
inspeksi berdasarkan sampel atribut dimana sistem
pengambilan sampel penerimaan yang digunakan
dengan aturan peralihan pada aliran lot yang
berkelanjutan untuk Acceptance Quality Limit (AQL)
yang ditentukan.
1. Menentukan AQL
Tipe cacat bintik kotor termasuk pada
klasifikasi Major dimana cacat bintik kotor
merupakan cacat yang secara langsung dapat
dilihat oleh konsumen dan mempengaruhi
penampilan dari produk. Sehingga yang akan
digunakan yaitu AQL 4%.
2. Menentukan Level Inspeksi
Level inspeksi yang digunakan yaitu Level
General karena dianggap cukup mewakili
asumsi aman suatu kuantitas lot. Dengan
biaya inspeksi yang rendah (kondisi
perusahaan) maka akan digunakan level
inspeksi G- II dengan toleransi risiko dan
jumlah yang diinspeksi normal.
3. Menentukan Ukuran Lot
Berdasarkan kebijakan perusahaan, ukuran
lot ditentukan berdasarkan setiap sekali
kedatangan material dari supplier. Material
terdapat 4 warna general yaitu Hitam, Putih,
Merah dan Biru. Sekali pemesanan minimal 5
kontainer untuk satu warna dengan isi 24pcs
per kontainer. Proses inspeksi dilakukan
berdasarkan tipe warna. Sehingga ukuran lot
untuk satu warna terdapat 120 pcs.
4. Mencari sample size code letter
Pada Langkah sebelumnya bahwa jenis
inspeksi yang digunakan general dengan
ukuran lot 120pcs ini berada di range antara
91 to 150. Sehingga didapatkan kode sampel
pada tabel Sample Size Code Letter yaitu F.
5. Menentukan jenis sampling plan
Jenis sampling plan yang cocok adalah Single
Sampling Plan. Perusahaan hanya mampu
menerapkan single sampling dikarenakan
terkendala biaya dan tenaga kerja yang
terbatas untuk melakukan Double sampling
danMultiple sampling.
6. Menentukan acceptance number dan rejected
number
Pada tabel Single Sampling Plan for Normal
Inspection, sample size untuk kode huruf F =
20 pcs. Dengan AQL 4.0 diperoleh angka
penerimaan (Ac) dan angka penolakan (Re)
masing-masing sebesar 2 dan 3. Artinya lot
akan ditolak jika ditemukan cacat
berjumlah 3 atau lebih. Dan lot akan
7
diterima jika tidak ditemukan cacat
berjumlah 2 atau lebih.
5. KESIMPULAN DAN SARAN
Berdasarkan Perbaikan usulan yang dapat
diterapkan oleh perusahaan berupa rancangan
penerimaan sampling yang dimana teknik sampling ini
bertujuan untuk meminimalisir adanya kelolosan
material painting dan meminimalisir pemborosan pada
tenaga kerja, waktu, dan biaya inspeksi bahan baku
dan produk jadi yang berlebihan. Rancangan sampling
memiliki switching rules yang dapat menekan angka
inspeksi menjadi lebih terkendali. Dan lebih mudah
untuk mengontrol dan memonitoring aktivitas pekerja
pada bagian inspeksi kedatangan bahan baku dan produk
jadi painting. Terdapat tiga level inspeksi yaitu longgar,
normal, dan ketat yang memiliki ukuran sampel, angka
penerimaan, dan angka penolakan masing – masing.
Berdasarkan dari penelitian yang telah
dilaksanakan, saran yang diberikan untuk penelitian
selanjutnya kepada penulis yaitu perlu dikembangkan
validasi usulan perbaikan dengan membandingkan data
historis dengan data setelah dilakukan perbaikan. Serta
menambahkan studi literatur mengenai permasalahan
yang terjadi pada area produksi.
DAFTAR PUSTAKA
Abtew, M. A., Kropi, S., Hong, Y., & Pu, L. (2018).
Implementation of Statistical Process Control
(SPC) in the Sewing Section of Garment Industry
for Quality Improvement. Autex Research
Journal, 18(2), 160–172.
https://doi.org/10.1515/aut-2017-0034
Boral, S., Howard, I., Chaturvedi, S. K., McKee, K., &
Naikan, V. N. A. (2020). A novel hybrid multi-criteria
groupdecision making approach for failure mode and
effect analysis: An essential requirement for
sustainable manufacturing. Sustainable Production
and Consumption, 21, 14–32.
https://doi.org/10.1016/j.spc.2019.10.005 Castellanos,
M. A. M., Costa Monteiro, E., & Louzada, D. R.
(2021). Quality by design and failure mode and effects
analysis applied to the development of electromedical
technology: Preliminary results. Measurement:
Sensors,
18. https://doi.org/10.1016/j.measen.2021.100303
da Silva, H. D. O. G., de Almeida, M. D. G. D.,
Barbosa, L. C. F. M., Costa, M. C. M., da
Fonseca, B. B., Santos, G., Aguilera, M. V. C.,
Reis, J. S. D. M., & Sampaio, N. A. D. S. (2021).
Improved Vehicle Painting Process Using
Statistical Process Control Tools in an
Automobile Industry. International Journal for
Quality Research, 15(4), 1245–1262.
https://doi.org/10.24874/IJQR15.04-14
Pujar, S., Calvert, S., Cortina-Borja, M., Chin, R. F.
M., Smith, R. A., Cross, J. H., Das, K., Pitt, M.,
 & Scott, R. C. (2010). Statistical Process
Control (SPC)-A simple objective method for
monitoring seizure frequency and evaluating
effectiveness of drug interventions in
refractory childhood epilepsy. Epilepsy
Research, 91(2–3), 205–213.
https://doi.org/10.1016/j.eplepsyres.2010.07.0
13
Reynolds, M. S., Spencer, S. P., Dunaway, A.,
Buckingham, D., & Bartman, T. (2021).
Scientific Approach to Assess if Change Led to
Improvement—Methods for Statistical Process
Control Analysis in Quality Improvement.
Journal of Emergency Nursing, 47(1), 198–
205. https://doi.org/10.1016/j.jen.2020.09.002
Sánchez-Fernández, A., Baldán, F. J., Sainz-
Palmero, G. I., Benítez, J. M., & Fuente, M. J.
(2018). Fault detection based on time series
modeling and multivariate statistical process
control. Chemometrics and Intelligent
Laboratory Systems, 182(July), 57–69.
https://doi.org/10.1016/j.chemolab.2018.08.00
3
Wujie, J., Le, J., Lixin, Y., & Cheng, Z. (2022).
Analyzing and Predicting Railway Operational
Accidents Based on Fishbone Diagram and
Bayesian Networks. Tehnicki Vjesnik, 29(2),
542–552. https://doi.org/10.17559/TV-
20211102092922